نظرًا لعدم الحاجة إلى تصميم مكونات بشرية معقدة وتبسيط عملية الكشف، فقد لاقت طريقة الكشف عن الأهداف من النهاية إلى النهاية اهتمامًا واسعًا في السنوات الأخيرة. ومع ذلك، وبالمقارنة مع مكتشفات الكشف التقليدية، فإن هذه الطرق معرضة لمشكلة بطء تقدم التدريب وأداء الكشف الغير كافي، وسبب هذا المشكل يكمن في أن الخوارزمية مقيدة بنقص إشارات الإشراف للأمثلة الإيجابية أثناء عملية الدمج والاختيار. ولحل هذه المشكلة، يقترح هذا البحث مشفر اختيار الاستعلامات المستخدم في الكشف عن الأهداف من النهاية إلى النهاية (QSE)، والتي يمكن أن تعزز سرعة تقدم التدريب ودقة الكشف. يتكون QSE من عدة طبقات مشفرة، ويتم إضافة شبكة خفيفة الوزن بعد كل طبقة مشفرة بهدف تحسين الميزات بطريقة متسلسلة، وتوفير إشراف أكبر للأمثلة الإيجابية من أجل التدريب الفعال. بالإضافة إلى ذلك، يدخل آلية الانتباه إلى الميزة المشطقة التفصيلية (HFA) في كل طبقة من طبقات المشفر من أجل تعزيز اندماج وتفاعل الميزات في مختلف المستويات. يمكن لـ HFA قمع تمثيل الميزات المتشابهة بشكل فعال وتعزيز تمثيل الميزات التمييزية، وبالتالي تسريع عملية اختيار الميزات. يمكن تطبيق هذه الطريقة بمرونة على مكتشفات معتمدة على الشبكات العصبية التابعة ومكتشفات معتمدة على المحولات؛ وتشير التجارب الكثيرة على مجموعة كبيرة من مجموعات البيانات القياسية لكشف الأهداف MS COCO و CrowdHuman و PASCAL VOC إلى أن مكتشفات معتمدة على الشبكات العصبية التابعة أو المعتمد على المحولات والتي تستخدم QSE يمكن أن تحقق أداء كشف من النهاية إلى النهاية ذو جودة عالية بأقل دورات تدريبية.